Derin öğrenme hala bu şekilde öğrenebilir
Son zamanlarda çevremdeki birçok arkadaş yapay zekayı tartışıyor, yapay zekanın yaşamlarımızdaki uygulamasını tartışıyor ve ardından derin öğrenme teknolojisini tartışmaya başlıyor, ancak derin öğrenme daha geniş bir yelpazeyi içerdiği ve daha yüksek matematik gerektirdiği için öğrenmek istiyorum. Ben de öğrenmeye cesaret edemedim, çünkü bunu ciddi bir şekilde yaptığım ama yapmadım. Aslında, çalışmak için doğru materyalleri hala bulamayabilirim.
Editör derin öğrenme materyallerini özel olarak araştırdı İnternette derin öğrenme ile ilgili pek çok materyal var, ancak çoğu yeni başlayanlar için uygun değil gibi görünüyor.
Birkaç sebep var:
-
Derin öğrenme, belirli bir matematiksel temel gerektirir. Basit bir şekilde konuşmazsanız, bazı okuyucular zorluklardan korkacak ve kolayca erken pes edebilecektir.
-
Piyasadaki derin öğrenme kitapları genellikle teoriktir . Teorik içerikli derin öğrenme kitapları gitgide artıyor ve okuyucular hızlı bir şekilde başlamak için uygulamalı bir kitabı dört gözle bekliyorlar.
-
Video kursları çoğunlukla İngilizcedir ve kitap ve videolarla ilgili birkaç derin öğrenme çalışması vardır. Derin öğrenme alanındaki güzel kitapların çoğu genellikle İngilizce iken, Çince'nin güzel eserleri çok azdır ve yazarlar sağlam bir temele sahiptir ve aynı zamanda Çince'deki derin öğrenmeyi açık bir şekilde açıklayabilirler.
Peki yeni başlayanlar derin öğrenmeyi öğrenmeye nasıl başlar? Yeni başlayanların çoğu bir tane sahip olmak ister Hem kitaplar hem de videolar var ve elbette daha iyi bir öğrenme atmosferine sahip olmak ve herkesle birlikte öğrenmek istiyorum , O halde editör bugün size Li Mu'nun "Uygulamalı Derin Öğrenme" adlı kitabını tavsiye edecek.Li Mu'nun kitabını inceledim.Bu Li Mu'nun yeni bir çalışması. Aynı zamanda acemilerin öğrenmesi için çok uygun bir giriş kitabıdır. .
Detayları görmek için kitap kapağına tıklayın
Bu kitabı neden tavsiye ediyorum?
Neden 1: "Uygulamalı öğrenme" gerçekten pratiktir ve işe yarayabilir
"Uygulamalı Derin Öğrenme" nin yayınlanmasından önce, durum Ian Goodfellow'un "Derin Öğrenme" nin o zamanki en iyi giriş kitabı, yeni ve kapsamlı olmasıydı. Ancak, gerçekte nasıl kullanılacağı ve ne kadar etkili oldukları olmadan yalnızca genel bir model açıklaması yapar. "Uygulamalı Derin Öğrenme" sadece ilkeleri açıklamakla kalmayan, aynı zamanda uygulamaya ve pratik kullanıma sahip, sürekli güncellenen ve okunması kolay bir kitaptır.
Son iki yıllık keşifte, bu giriş kitabı geleneksel anlamda birkaç adım attı:
-
Kitabın her bölümü için Metin, matematik, grafik ve kod Pek çok açıdan bir bilgi noktası sunmama izin verin. Bir Jupyter dizüstü bilgisayardır ve bağımsız olarak çalışabilir. Yaklaşık 15 dakikada okunabilen yaklaşık 20 metin ve kod bloğu içerir.
-
Kaynak dosya Markdown , Yürütme çıktısını kaydetmeyin, Ve Github'da açık kaynak . Bu, daha fazla kişinin değişikliklere katkıda bulunmasını ve değişiklikleri incelemesini kolaylaştırır ve sürekli olarak yeni bölümler eklemek kolaydır.
-
Herhangi bir değişiklik, yürütme çıktısını elde etmek için Not Defteri'ni yeniden yürütmek üzere sürekli entegrasyon hizmetini tetikleyecektir. Kodun doğruluğundan emin olun . Bir not defterinin çalıştırılma süresi en fazla on dakika olarak kontrol edilir. Bu, karmaşık modellerin eğitimini göstermek oldukça zordur.
-
Yürütme doğru olduktan sonra, doğrudan İnternette üç biçimde yayınlanır: Yürütme çıktılı Jupyter not defteri, doğrudan göz atma için HTML ve yazdırmaya uygun PDF.
-
LaTeX kadar kullanışlı olan grafikleri, tabloları, formülleri ve belgeleri dizine ekleyebilir.
-
Her bölümün tartışmak için bağlantıları vardır .
Bu kitabın kod uygulamalarının çoğu MXNet'e dayanmaktadır (başlangıçtaki amaç MXNet için iyi bir belge yazmaktır) ve ayrıca bir Pytorch veya Keras sürümü sağlayıp sağlamayacağımızı da düşündük. Daha sonra bu endişenin gereksiz olduğunu buldum. Çerçeve bir araçtır ve araçlar arasındaki farklılıkların neden olduğu zorluklar, modeli anlamak ve sonuçları hatırlamaktan çok daha küçüktür.
Sınıfta, bu araçlara maruz kalmamış öğrencilerin bile ödevlerini yapmak için MXNet'i kullandıklarını ve daha sonra hangi çerçeveyi kullanırlarsa kullansınlar mevcut algoritmalara dayalı projeler geliştirip yaptıklarını buldum. Başka bir deyişle, özellikle algoritma uygulaması sınıfta açıklandığında zorluk aracın kendisinden gelmez.
İkinci sebep: Amazon'un baş bilim adamı Li Mu gibi ustaların çalışmalarına yerleşmesi üç yıl sürdü.
Bu kitabın dört yazarı Amazon bilim adamlarıdır ve yapay zeka alanında iyi bir üne sahiptirler. Öğretmen Li Mu, halka açık konferanslarından birçok hayran tarafından daha çok sevilir. Saf Çince'deki öğretim yöntemi herkes tarafından evrensel olarak kabul edilmiştir.
Aston Zhang
Amazon Applied Scientist, Bilgisayar Bilimleri Doktora Programı, Illinois Üniversitesi, Urbana-Champaign ve bir İstatistik ve Bilgisayar Bilimleri Yüksek Lisansı. Makine öğrenimi araştırmalarına odaklanıyor ve birçok önemli akademik konferanslarda makaleler yayınladı. NeurIPS, ICML, K olarak görev yaptı. DD , WWW , WSDM, SIGIR, AAAI ve diğer akademik konferans programı üyeleri veya hakemleri ve Frontiers in Big Data dergisi yayın kurulu.
Mu Li
Amazon baş bilim adamı (Baş Bilim İnsanı), Berkeley California Üniversitesi'nde misafir yardımcı doçent, Carnegie Mellon Üniversitesi'nden Bilgisayar Bilimleri alanında doktora. Dağıtık sistemler ve makine öğrenimi algoritmaları araştırmalarına odaklanıyor. Derin öğrenme çerçevesi MXNet'in yazarlarından biridir. Bir makine öğrenimi başlangıç şirketi olan Marianas Labs'ın CTO'su ve Baidu Derin Öğrenme Araştırma Enstitüsü'nün Araştırma ve Geliştirme Mimarı Direktörü idi. Teori, makine öğrenimi, uygulamalar ve işletim sistemleri (FOCS, ICML, NeurIPS, AISTATS, CVPR, K dahil) alanlarındaki en iyi akademik konferansları DD , WSDM, OSDI) yayınlanmış makaleler.
Zachary C. Lipton
Amazon Applied Scientist, Carnegie Mellon Üniversitesi'nde Yardımcı Doçent, Kaliforniya Üniversitesi, San Diego'dan Ph.D. Makine öğrenimi algoritmalarının araştırılmasına ve bunların sosyal etkisine, özellikle de zaman serisi verilerinde derin öğrenme ve sıralı karar verme üzerine odaklanıyor.
Bu tür çalışmalar, tıbbi teşhis, diyalog sistemleri ve ürün önerileri dahil olmak üzere çok çeşitli uygulama senaryolarına sahiptir. "Appro xi mately Correct "(onay xi matelycorrect .com ).
Alexander J. Smola
Amazon Başkan Yardımcısı / Üstün Bilim İnsanı, Almanya, Berlin Teknik Üniversitesi Bilgisayar Bilimleri Doktora Programı. Avustralya Ulusal Üniversitesi, Berkeley'deki Kaliforniya Üniversitesi ve Carnegie Mellon Üniversitesi'nde ders vermiştir. 200'den fazla akademik makale yayınladı ve 5 kitap yazdı, makaleleri ve kitaplarına 100.000'den fazla atıf yapıldı. Araştırma ilgi alanları arasında derin öğrenme, Bayesci parametrik olmayan, çekirdek yöntemleri, istatistiksel modelleme ve ölçeklenebilir algoritmalar bulunmaktadır.
Üçüncü sebep: Birlikte öğrenmek için kitap + video
Öğrenme sürecinde, okuma teorisinin bir şey olduğu, kod yazmanın bir şey olduğu ve kodu ayarlamanın başka olduğu konusunda genel bir fikir birliği vardır.Her şey arasında bir boşluk vardır ve ona tırmanamazsınız. , Tökezlemek acı verici. "Uygulamalı Derin Öğrenme", kod yazmayı ve kod hata ayıklamayı tek bir şey olarak ele alan ve teori ile birlikte gösteren ücretsiz bir genel sınıf videosuyla birlikte gelir. Daniel ile öğrenirken, çabanın yarısı ile iki kat sonuç alacağınıza inanıyorum.
"Uygulamalı Derin Öğrenme" videosunun iki sahnesi var, biri ana gövde slayt, öğretim görevlisi köşede. Diğer ana gövde yazı tahtasıdır.
Geçtiğimiz birkaç yıl içinde, "Uygulamalı Derin Öğrenme" nin yazarı, öğrencilerin derin öğrenmeyi daha iyi öğrenmelerini sağlamak için ucuz ekipmanlarla yarı profesyonel videolar kaydetmek için çeşitli DIY yöntemlerini denedi. Aşağıdaki resim bu sefer kullanılan ekipmanı göstermektedir.
Çeşitli ekipmanların keşfedilmesiyle, mevcut video öğrenme modu nihayet sunulur!
Sebep 4: Yapay zeka konusunda birçok büyük isim tarafından şiddetle tavsiye edilir
Bu kitap, akademi ve endüstriden Han Jiawei, Bernhard Schölkopf, Zhou Zhihua, Zhang Tong, Yu Kai, Qi Yuan, Shen Qiang, vb. Tarafından şiddetle tavsiye edilmiştir.
Ne dediklerini görmek için aşağı kaydırın:
Bu kitabın akademiden değerlendirilmesi
Bu zamanında ve büyüleyici bir kitap. Yalnızca derin öğrenme ilkelerine kapsamlı bir genel bakış sağlamakla kalmaz, aynı zamanda programlama kodlarıyla ayrıntılı algoritmalar sağlar.Ayrıca, bilgisayarla görme ve doğal dil işlemede derin öğrenmeye en son girişi sağlar. Derin öğrenmeye dalmak istiyorsanız, lütfen bu kitabı okuyun!
Han Jiawei, ACM Akademisyeni, IEEE Akademisyeni, Profesör Abel Bliss, Bilgisayar Bilimleri Bölümü, Illinois Üniversitesi, Urbana-Champaign
Bu, Jupyter not defterlerinin entegrasyonu yoluyla uygulamalı deneyime odaklanan makine öğrenimi literatürüne çok hoş bir katkıdır. Derin öğrenme öğrencileri, bunun bu alandaki yeterlilik için paha biçilmez olduğunu anlayabilmelidir.
Bernhard Schölkopf, ACM Akademisyeni, Alman Ulusal Bilimler Akademisi Akademisyeni, Akıllı Sistem Dekanı Max Planck Enstitüsü Dekanı, Almanya
Bu kitap, MXNet çerçevesine dayalı derin öğrenme teknolojisini tanıtmaktadır. Kitaptaki kod, derin öğrenme teknolojisini anlamak ve iletişim kurmak için Python koduyla öğrenmek isteyen okuyucular için büyük kolaylık sağlayan "öğrendiğiniz şey, kullandığınız şeydir" olarak tanımlanabilir.
Zhou Zhihua, ACM Akademisyeni, IEEE Akademisyeni, AAAS Akademisyeni, Bilgisayar Bilimi ve Teknolojisi Bölümü Direktörü, Nanjing Üniversitesi
Bu, okuyucuların hızlı bir şekilde çalışmaya başlamasına ve derin öğrenme araçlarını kullanmanın temel becerilerinde ustalaşmasına yardımcı olabilecek, Apache MXNet'e dayalı bir derin öğrenme pratik kitabıdır. Bu kitabın birçok yazarının makine öğrenimi alanında çok zengin deneyimleri var. Sadece sektörde çok fazla pratik deneyime sahip olmakla kalmazlar, aynı zamanda çok yüksek akademik başarıları da vardır, bu nedenle makine öğrenimi alanındaki en son algoritmaları derinlemesine anlarlar. Bu, yazarların yüksek kaliteli kod sağlamasına ve aynı zamanda okuyuculara en yeni algoritmaları ve kavramları basit bir şekilde sunmalarına olanak tanır. Bu kitap, derin öğrenme uygulayıcılarının yeteneklerini hızla geliştirmelerine yardımcı olabilir.
Zhang Tong, Bilgisayar Bilimi ve Matematik Profesörü, Hong Kong Bilim ve Teknoloji Üniversitesi
Endüstriden
Endüstrinin derin öğrenme üzerine zaten iyi kitapları olmasına rağmen, bunlar endüstrinin uygulama pratiğiyle yakından entegre değiller. Sanırım "Uygulamalı Derin Öğrenme", endüstriyel Ar-Ge mühendislerinin öğrenmesi için en uygun olanıdır, çünkü bu kitap algoritma teorisi, uygulama senaryoları ve kod örneklerini mükemmel bir şekilde birbirine bağlar ve okuyuculara teorik öğrenme ile uygulama pratiğini, bilme ve yapmayı yakından birleştirmeleri için rehberlik eder. Birlik, elle öğrenme ve deneyim ve kavrayışta derin öğrenme anlayışını derinleştirme. Bu nedenle, çekincesiz okuyuculara "Uygulamalı Derin Öğrenme" yi şiddetle tavsiye ederim.
Yu Kai, Horizon'un kurucusu ve CEO'su
Bu kitabı şiddetle tavsiye ederim! Aslında, bir kitaptan çok daha fazlasıdır: Yalnızca derin öğrenmenin arkasındaki matematiksel ilkeleri açıklamakla kalmaz, aynı zamanda okuyucuların geri bildirim alırken öğrenmesine olanak tanıyan bir programlama çalışma tezgahı ve not defteri de açıklar.Aynı zamanda herkes için açık kaynaklı bir topluluk platformudur ile iletişim kurun. Uzun süredir AI akademisi ve endüstrisinde çalışan bir kişi olarak, sadece pratik yeteneği geliştirmekle kalmayıp aynı zamanda problem çözmede bağımsız düşünme ve eleştirel düşünmeyi de uygulayan bu el-beyin entegre öğrenme yöntemini özellikle takdir ediyorum.
Yazarlar, her ikisi de algoritma mühendisliğinde güçlü olan endüstri liderleridir.Böyle iyi bir açık kaynak kitabı ayırabilir ve onları övebilirler!
Qi Yuan, karınca Jinfu Başkan Yardımcısı ve Baş Yapay Zeka Bilimcisi
Bir yıl önce, yazar Jiangmen teknik topluluğunda bir dizi derin öğrenme dersi vermeye başladı ve o sırada uygulamalı derslerin içeriği ve formatı ile tazelendim. Bir yıl sonra, "Uygulamalı Derin Öğrenme" nin, sürekli ve dikkatli bir şekilde cilalandıktan sonra nihayet bir kitap olarak yayınlandığını görmekten çok memnunum!
Derin öğrenme, mevcut yapay zeka alanında sıcak bir alandır ve ilgili geliştirme teknolojilerini aktif olarak öğrenmek için çok sayıda ilgili geliştiriciyi cezbeder. Bununla birlikte, çoğu öğrenci için derin öğrenmede ustalaşmak kolay değildir.Matematiksel temel, algoritma teorisi, programlama geliştirme, alan uygulaması, yazılım ve donanım optimizasyonu gibi çeşitli dağları aşmak gerekir. Bu nedenle, öğrenme süreci kolay ve sorunsuz değildir.Ayrıca birçok öğrencinin, geliştirme sürecine girmeden önce teorik öğrenme sürecinden vazgeçtiğini de gördüm. Bununla birlikte, "Uygulamalı Derin Öğrenme", öğrencilerin bağımlı hale gelmesini kolaylaştıran bir kitaptır. En büyük özelliği, öğrenme teorisini vurgulamak ve uygulamalı programlamada pratik becerileri geliştirmektir. Bu kitabı okumanın en keyifli duygusu, teorik giriş ile programlama uygulaması arasında iyi bir dengeye sahip olmasıdır.İçeriğinin özlü olması ve bağlantının doğal ve pürüzsüz olması.Sadece modern derin öğrenmenin ilerlemesini yansıtmakla kalmaz, aynı zamanda kolay öğrenme ve pratiklik özelliklerine de sahiptir.Derin bir öğrenme hobisidir. Okuyucular için nadir bulunan öğrenme materyalleri. Özellikle övgüye değer olan şey, bu kitabın geliştirme ve öğrenme ortamı olarak Jupyter not defterini seçmesi, öğretim materyallerini, belgeleri ve kodları birleştirmesi ve okuyuculara, kodu hemen değiştirmeye ve işlem etkisini gözlemlemeye çalışan etkileşimli bir öğrenme deneyimi sunarak öğrenmeyi tam anlamıyla gerçekleştirmesidir. Zevk.
Geçtiğimiz yıl yazar ve topluluk üyeleri, "Uygulamalı Derin Öğrenme" için yazılmadan önce pek çok optimizasyon ve değişiklik yaptı. Bunun derin öğrenme uygulayıcılarının derin öğrenme meraklılarına getirdiği samimi bir çalışma olduğu söylenebilir. Okumada ve pratikte herkesin aynı rezonansa sahip olabileceğine inanıyorum.
Shen Qiang, Jiangmen Venture Capital'in Kurucu Ortağı
Kısacası, gücün tüm yönleriyle bu güzel iş sizi fethetmeyi bekliyor
Kitap yapısı
İlk kısım (Bölüm 1 ~ Bölüm 3) hazırlık çalışmalarını ve temel bilgileri kapsar. Bölüm 1, derin öğrenmenin arka planını tanıtır. Bölüm 2, örneğin bu kitaptaki kodun nasıl elde edileceği ve çalıştırılacağı gibi, uygulamalı derin öğrenme için gerekli önkoşul bilgileri sağlar. Bölüm 3, çok katmanlı algılayıcılar ve model düzenleme gibi derin öğrenmenin en temel kavramlarını ve tekniklerini kapsar. Okuyucunun sınırlı zamanı varsa ve yalnızca derin öğrenmenin en temel kavram ve tekniklerini anlamak istiyorsa, o zaman ilk bölümü okuyun.
İkinci Bölüm (Bölüm 4 ~ Bölüm 6) Dikkat Modern derin öğrenme teknolojisi. Bölüm 4, derin öğrenme hesaplamasının önemli bileşenlerini açıklar ve sonraki daha karmaşık modellerin gerçekleştirilmesi için temel oluşturur. Bölüm 5, son yıllarda bilgisayarla görü alanında derin öğrenmeyi çok başarılı kılan evrişimli sinir ağını açıklıyor. Bölüm 6, son yıllarda dizi verilerini işlemek için yaygın olarak kullanılan döngüsel sinir ağını açıklar. İkinci bölümü okumak, modern derin öğrenme tekniklerinde uzmanlaşmaya yardımcı olur.
Üçüncü kısım (Bölüm 7 ~ Bölüm 10) hesaplama performansını ve uygulamaları tartışır. Bölüm 7, derin öğrenme modellerini eğitmek için kullanılan çeşitli optimizasyon algoritmalarını değerlendirir. Bölüm 8, derin öğrenme hesaplamalarının performansını etkileyen birkaç önemli faktörü incelemektedir. Bölüm 9 ve Bölüm 10, sırasıyla bilgisayarla görme ve doğal dil işlemede derin öğrenmenin önemli uygulamalarını listelemektedir. İçeriğin bu bölümünün okuyucuları ilgi alanlarına göre okumayı seçebilirler.
Şekil 0-1, kitabın yapısını gösterir; burada Bölüm A'dan Bölüm B'ye kadar olan ok, Bölüm A'daki bilginin Bölüm B'nin içeriğini anlamaya yardımcı olduğunu gösterir.
Şekil 0-1 Kitabın yapısı
Kitap kodu
Bu kitabın önemli bir özelliği, her bölümün Kod çalıştırılabilir . Okuyucular, kodu değiştirdikten sonra yeniden çalışabilir ve işlemin sonuçları aracılığıyla değişikliklerin etkisini daha iyi anlayabilir.
Bu interaktif öğrenme deneyiminin derin öğrenmeyi öğrenmek için çok önemli olduğuna inanıyoruz. Derin öğrenme şu anda iyi bir teorik açıklama çerçevesine sahip olmadığından, birçok sonuç ancak anlaşılabilir.
Metinsel açıklama şu anda soluk ve zayıf olabilir ve tüm ayrıntıları kapsayacak kadar olmayabilir. Okuyucular, derin öğrenmeyi kademeli olarak anlamak ve ustalaşmak için kodu sürekli değiştirmeli, çalışan sonuçları gözlemlemeli ve deneyimi özetlemelidir.
Kodumuzun temel amacı, metin, görüntü ve formüllere ek olarak derin öğrenme algoritmalarını öğrenmenin bir yolunu ve her algoritmanın gerçek veriler üzerindeki gerçek etkilerinin anlaşılmasını kolaylaştıran etkileşimli bir ortam eklemektir.
Kitap yalnızca MXNet'in ndarray, autograd, gluon ve diğer modül veya paketlerinin temel işlevlerini kullanır, böylece okuyucular derin öğrenme algoritmalarının uygulama ayrıntılarını olabildiğince anlayabilir. Okuyucular araştırma ve çalışmalarında diğer derin öğrenme çerçevelerini kullansalar bile, kitaptaki kod okuyucuların derin öğrenme algoritmalarını daha iyi anlamalarına ve uygulamalarına yardımcı olur.
forum
Bu kitaptaki foruma girin, öğrenme topluluğu adresi ve GitHub açık kaynak adresi yukarıda verilmiştir. Okuyucuların kitaptaki bir bölümün içeriği hakkında şüpheleri varsa, bölümün tartışmasına katılmak için bölümün başında yer alan QR kodunu tarayabilirler.
Kaggle yarışma bölümü hakkındaki tartışma alanında, birçok topluluk üyesinin herkese şiddetle tavsiye ettiğimiz çok sayıda üst düzey yöntem sağladığını belirtmekte fayda var. Umarım öğrenme topluluğundaki tartışmalara aktif olarak katılırsınız ve kesinlikle bir şeyler kazanacağınıza inanıyorum. Bu kitabın yazarı ve MXNet geliştiricileri genellikle topluluk tartışmalarına katılır.
"Derin Öğrenme Pratiği Yapın (Ciltsiz Kitap)"
Yayın zamanı: Haziran 2019
Ayrıntıları görüntülemek için kodu tarayın
Yazar: Zhang Aston (Aston Zhang) Li Mu (Mu Li) Zachary C. Lipton (Zachary C. Lipton) Alexander J. Mora (Alexander J. Smola)
Editörün Seçimi:
-
Amazon bilim adamı Li Mu gibi önemli eserler;
-
Etkileşimli gerçek bir savaş ortamında yeni bir uygulamalı derin öğrenme modu, ilkelerin ve gerçek savaşın mükemmel kombinasyonu
-
Han Jiawei / Bernhard Schölkopf / Zhou Zhihua / Zhang Tong / Yu Kai / Qi Yuan / Shen Qiang tarafından önerilir
-
Öğretim için California Üniversitesi, Berkeley dahil olmak üzere dünya çapında tanınmış 15 üniversite kullanılmaktadır;
Bu kitap, okuyuculara derin öğrenme hakkında etkileşimli bir öğrenme deneyimi sunmayı amaçlamaktadır. Kitap sadece derin öğrenme algoritmalarının ilkelerini açıklamakla kalmıyor, aynı zamanda bunların uygulanmasını ve işleyişini de gösteriyor.
Geleneksel kitaplardan farklı olarak, bu kitabın her bölümü indirilip çalıştırılabilen bir Jupyter not defteridir.Metin, formüller, resimler, kodlar ve çalışan sonuçları birleştirir. Ayrıca okuyucular, kitabın içeriğini ziyaret edebilir ve tartışmaya katılabilir.
Bu yeni iş
Buna değer mi
